Warum Hidden Champions LinkedIn unterschätzen – und die Fachpresse überschätzen
- Stefan Bach
- 16. Apr.
- 6 Min. Lesezeit
Aktualisiert: 13. Mai
Eine unbequeme Beobachtung aus zwei Jahrzehnten Medienarbeit – und warum das CEO-LinkedIn-Profil ab 2026 mehr wiegt als die Fachzeitschrift
TL;DR
Die klassische B2B-Pressearbeit über Fachmedien liefert weiterhin Reichweite bei Branchenentscheidern – aber nicht mehr die GEO-Signale, die KI-Antwortsysteme zur Markenwahrnehmung brauchen. Ein gedruckter Fachartikel wird von Sprachmodellen oft nicht zitiert, ein konsistent bespielter LinkedIn-Account des CEO schon.
Sprachmodelle bevorzugen Autoren-Entitäten vor Unternehmens-Entitäten. Ein Firmenprofil ist für KI-Systeme oft nur ein leeres Label. Eine Person mit klarem Fachprofil, Klarnamen und konsistenter Themensetzung wird als Autorität erkannt – und die Firma im Profil mitgelernt.
Die neue Balance heißt nicht „LinkedIn statt Fachpresse”, sondern ein abgestimmtes System: Fachpresse für Branchenresonanz, LinkedIn-CEO für Entity-Signale, strukturierte Pressemitteilungen für die Bridge zwischen beiden.
Was klassische Fachpresse 2026 noch leistet – und wo sie verliert
Ich habe siebzehn Jahre lang als Herausgeber und Chefredakteur eines monatlichen Stadtmagazins gearbeitet, parallel als freier Redakteur im Kultur- und Technikbereich publiziert und später sieben Jahre lang Pressearbeit für einen Photovoltaik-Fachgroßhandel in fünf europäischen Märkten verantwortet. Ich kenne beide Seiten des Tisches – die des Redakteurs, der selektiert, und die des Unternehmens, das platzieren will. Und ich habe gesehen, wie sich beide Seiten in den letzten fünf Jahren verändert haben.
Fachmedien liefern weiterhin drei Dinge, die schwer zu ersetzen sind. Erstens: Sichtbarkeit in einer klar definierten, geprüften Fachcommunity. Wer in pv magazine, in der Computerwoche oder im Versicherungsjournal steht, erreicht genau die Entscheider, die der Vertrieb ohnehin anspricht. Zweitens: Redaktionelle Glaubwürdigkeit. Ein journalistischer Artikel, der die eigene Positionierung bestätigt, hat eine andere Wirkung als ein Sponsored Post. Drittens: Langlebige Archive. Ein guter Fachartikel wird drei, fünf, zehn Jahre in Online-Archiven gefunden.
Was Fachmedien 2026 nicht mehr zuverlässig liefern, ist die Signalstärke, die Sprachmodelle zur Markenwahrnehmung brauchen. Der Grund ist technisch und unangenehm: Viele Fachportale haben in den letzten zwei Jahren Paywalls, Registrierungsschranken oder Crawler-Blocker eingeführt. Inhalte hinter solchen Hürden landen nicht zuverlässig in den Trainingsdaten von ChatGPT, Claude oder Gemini. Ein hervorragender Artikel im gedruckten Heft mag die Kunden begeistern, wird aber von der KI-Suche möglicherweise nie gesehen.
Das bedeutet nicht, dass Fachpresse-Arbeit irrelevant wird. Es bedeutet, dass sie nicht mehr allein steht.
Warum Sprachmodelle andere Quellen zitieren als Google-SEO
SEO optimiert für Sichtbarkeit in Suchergebnislisten. Die Logik ist klar: Ein Link rankt auf Position drei, der Nutzer klickt. Sprachmodelle funktionieren fundamental anders. Sie werden auf einem großen Korpus öffentlich zugänglicher Texte trainiert und lernen dabei, welche Aussagen zu welchen Themen als konsistent und vertrauenswürdig gelten. Sichtbarkeit für Sprachmodelle heißt: häufig, konsistent und in autoritativen Quellen erwähnt zu werden.
Welche Quellen KI-Systeme als autoritativ behandeln, ist teilweise dokumentiert, teilweise Beobachtungssache. Wikipedia und Wikidata gelten als Primärquellen. Regierungs- und Universitäts-Websites ebenfalls. Bei kommerziellen Quellen wird es differenzierter: große Zeitungen wie Handelsblatt, Manager Magazin oder FAZ werden gelernt. Fachmedien werden unterschiedlich gelernt, abhängig von Reichweite, technischer Zugänglichkeit und Zitations-Häufigkeit. LinkedIn-Profile – und das überrascht die meisten Mittelständler – werden gelernt, sofern sie öffentlich zugänglich sind und konsistent bespielt werden.
Die bittere Folge für klassische B2B-PR: Eine Pressemitteilung, die über ein kleines Fachportal läuft und von dort in fünf weitere Fachportale repliziert wird, erzeugt auf den ersten Blick viele Treffer. Für Sprachmodelle ist das ein Signal von mittlerer Stärke. Ein LinkedIn-Post desselben CEOs mit derselben Botschaft, der von zweihundert Fachleuten geteilt wird, erzeugt weniger Reichweite in der alten Metrik – aber ein stärkeres Signal für die Entity-Wahrnehmung.
Die Autoren-Entity: Warum der CEO-LinkedIn-Account stärker ist als der Firmen-Account
Sprachmodelle unterscheiden sehr klar zwischen Unternehmen und Personen. Ein Firmenprofil ist für sie ein Label mit einer Beschreibung und einer Logo-Referenz. Eine Person ist ein Knoten mit Fachrichtung, Karrierepfad, publizierten Aussagen und Vernetzung. Zwischen beiden besteht eine Zuordnung, aber die Fachexpertise wird an der Person gelernt, nicht am Unternehmen.
Daraus folgt eine strukturelle Präferenz: Ein CEO, der unter Klarnamen regelmäßig zu einem fachlichen Thema publiziert, wird von Sprachmodellen als Fachautorität erkannt. Die Firma wird als Kontext mitgelernt. Ein Firmenprofil, das dieselben Themen über den Unternehmensaccount postet, wird als PR-Kommunikation eingeordnet und mit geringerer Gewichtung verarbeitet.
Das ist keine Theorie, sondern lässt sich in Sichtbarkeitstests beobachten. Wer ChatGPT fragt „Wer sind die deutschsprachigen Stimmen zum Thema X in der Versicherungsbranche?”, bekommt Namen von Personen – selten Firmennamen. Wer nachfragt „Und in welchen Unternehmen sind diese Personen tätig?”, bekommt die Firmen dazu. Die Reihenfolge der Antwort spiegelt die Logik des Lernens: Personen zuerst, Organisationen sekundär.
Drei Beispielstrukturen für B2B-LinkedIn-Profile, die KI als autoritativ wertet
Aus der Analyse gut performender Entity-Profile lassen sich drei Muster ableiten, die konsistent funktionieren.
Muster 1: Das Themensäulen-Profil
Die Headline formuliert in einer Zeile drei Kernthemen, die der Autor bespielt. Die About-Sektion erweitert diese Themen zu Absätzen, die mit Zahlen, Branchenbezug und konkreten Beispielen unterfüttert sind. Posts erscheinen regelmäßig, idealerweise zwei- bis viermal pro Monat, und bleiben strikt innerhalb der drei Themensäulen. Die Disziplin ist entscheidend: Wer alle zwei Wochen ein anderes Thema anschneidet, baut keine Autorität auf.
Muster 2: Das Meinungs-Profil
Der Autor bezieht zu einem fachlichen Kontroversthema regelmäßig eine klare Position. Diese Haltung wird über Monate konsistent vertreten, auch wenn der Branchen-Mainstream anders denkt. Solche Profile werden von Sprachmodellen schnell mit einer konkreten Position verknüpft – was eine sehr starke Entity-Signatur ergibt. Vorsicht: Dieses Muster funktioniert nur, wenn der Inhaber bereit ist, öffentlich Stellung zu beziehen. Halbherzige Meinungsarbeit wirkt schwächer als gar keine.
Muster 3: Das Reportage-Profil
Der Autor dokumentiert aus der eigenen Arbeit – Projekte, Messeeindrücke, Branchengespräche, Erfahrungsberichte. Weniger Meinung, mehr Beobachtung. Solche Profile werden von Sprachmodellen als Primärquelle für Branchenbeobachtung gelernt. Das funktioniert besonders gut für CEOs, die ungern polarisieren, aber viel zu erzählen haben. Voraussetzung: regelmäßige Publikation, nicht nur bei Messeterminen.
Alle drei Muster haben gemeinsam, dass sie Zeit brauchen: sechs bis zwölf Monate konsistente Arbeit, bis Sprachmodelle die Signatur verlässlich gelernt haben. Einmalige Kampagnen reichen nicht. Wer erwartet, mit vier Posts in zwei Wochen sichtbar zu werden, wird enttäuscht.
Die neue Pressemitteilung: Wie sich Textstruktur ändert, damit LLMs zitieren
Die klassische Pressemitteilung wurde für eine andere Welt geschrieben: Redakteure, die über die Relevanz entscheiden, unter Zeitdruck lesen und bei Interesse weiterrecherchieren. Die Textarchitektur – Nachrichtenkopf, Zusammenfassung in Absatz eins, Details in absteigender Priorität – stammt aus Zeiten der Telegrafenübertragung und funktioniert bis heute für den menschlichen Redakteur.
Für Sprachmodelle ist diese Architektur suboptimal. Sprachmodelle lernen am besten aus Texten, die klare Kernaussagen mit belastbaren Fakten verknüpfen, die interne Struktur durch Überschriften erkennbar machen und die die Entität – Unternehmen, Person, Produkt – an mehreren Stellen explizit benennen, nicht nur einmal im Titel.
Die produktive Anpassung: Pressemitteilungen behalten ihre klassische Struktur für den menschlichen Empfang, bekommen aber zusätzlich drei Elemente. Ein FAQ-Block am Ende mit drei bis fünf typischen Fragen und klaren Antworten. Eine Zitate-Box mit Aussagen der Geschäftsführung unter Klarnamen und Funktion. Und strukturierte Daten im Quellcode, wenn die Mitteilung auf einer eigenen Presseseite veröffentlicht wird.
Das Ergebnis ist eine Pressemitteilung, die vom Redakteur wie gewohnt verarbeitet wird – und gleichzeitig von Sprachmodellen deutlich besser gelernt wird. Der Mehraufwand: rund dreißig Prozent pro Mitteilung. Die Wirkung auf die Entity-Signallage: messbar höher nach sechs bis neun Monaten konsistenter Anwendung.
FAQ
Sollen wir die Fachpresse-Arbeit reduzieren zugunsten von LinkedIn?
Nicht reduzieren, sondern neu gewichten. Fachpresse bleibt wichtig für Branchenresonanz und Vertrauensbildung bei direkten Entscheidern. LinkedIn kommt als gleichrangiger Kanal für Entity-Signale dazu. Die Zeit dafür kann teilweise aus vereinfachter Fachpresse-Arbeit gewonnen werden – weniger, aber bessere Pressemitteilungen.
Wer soll auf LinkedIn posten, wenn der CEO keine Zeit hat?
Niemand sonst mit gleichem Effekt. Ghostwriting durch das Marketing funktioniert für die Texte, aber die Entity wird nur dann aufgebaut, wenn das Profil unter Klarnamen konsistent aktiv ist und die Inhalte authentisch wirken. Zwei Stunden Redaktionszeit pro Monat vom CEO persönlich plus Vorbereitung durch das Marketing ist ein funktionierendes Modell.
Reicht ein LinkedIn-Post pro Monat?
Knapp. Zwei bis vier Posts pro Monat ist die untere Grenze für sichtbaren Entity-Aufbau. Wer häufiger publiziert, sollte sicherstellen, dass die Qualität nicht leidet – zehn beliebige Posts sind schlechter als zwei gute.
Lässt sich das mit KI-Tools automatisieren?
Teilweise. KI kann beim Strukturieren, Umschreiben und Redigieren helfen. Der fachliche Kern und die persönliche Haltung müssen vom CEO kommen. Reine KI-generierte Posts werden von Sprachmodellen und auch von LinkedIn-Lesern als generisch erkannt – und verlieren die Autoritätswirkung.
Was machen wir, wenn der Inhaber schlicht kein LinkedIn will?
Dann wird die Entity-Arbeit an eine andere Person im Unternehmen delegiert – idealerweise Vertriebsleitung, Technologievorstand oder Produktverantwortung. Die Hierarchie ist dabei sekundär. Wichtig ist, dass jemand mit klarer Fachzuordnung und Klarnamen konsistent publiziert.
Quellen
Malte Landwehr (2025): Wie Sprachmodelle Autoren-Entitäten lernen. LinkedIn-Analyse zu Grokipedia-Fallstudie.
John Mueller (Google, 2025): Zur Verzahnung von SEO und generativer KI-Sichtbarkeit. BlueSky-Post, Februar 2025.
Bitkom (2025): Mediennutzung und Informationsgewinnung von B2B-Entscheidern im DACH-Raum.
Gartner (2024): The B2B Buying Journey – Self-directed Research und Kanalpräferenzen.
Weiterlesen im Cluster
Thematisch passende Beiträge im Cluster:
Kommentare